研读时间： 2018年10月12日上午9点30分
研读地点： 四川大学望江校区基础教学楼B座318（视觉计算实验室）
分享者： 夏婷
分享内容：Visual exploration of urban functions via spatio-temporal taxi OD data
来源： JVLC 2018
分享理由：
- 引入非负矩阵重构OD数据的时空属性。
- 跟现有研究工作相契合，特别是在根据可视化探索功能区域之间的联系性。
- 设计的Stacked Glyph的可视化编码方式很新颖。
- 本文在关于调研部分、将清晰的任务定和系统概览部分融合、case study的写作方式值得借鉴。
论文概述
1、内容简介
本文内容为通过时空的出租车OD（深圳出租车数据）数据来可视化探索城市的区域功能。首先城市区域被划分为若干个规则的六边形，在此基础上构造矩阵来重构出租车的OD数据的时空属性，并给出一个非负矩阵（常用降维方法，具有分解快、分辨率高的特点，特别适用于大规模的数据分析，广泛适用于文本分析、图像处理和视频表达）用来分类和识别城市功能区域。其次应用了一系列的可视化编码探索分析不同功能的城市区域的移动模式，比如径向图、时间轴视图、力的引导图。
2、主要贡献
- 采用非负矩阵分解模型，对基于时空的出租车OD出行的城市功能进行深入的评估。
- 设计可视化编码，使用户能够快速完成识别城市功能和捕获移动模式内或城市功能之间的联系。
- 实现了一个可视化框架来集成城市功能识别模型和视觉设计。
3、内容详解
本文的任务定义为：①识别功能区域。②可视化功能区域。③发现功能区域之间的相关性，如图1所示为系统图工作流图，分为三大模块。
图 1 流程图
功能区域的提取识别两步骤：①时空矩阵的构造：在空间维度上，由于乘客的上下车点具有不确定性，因此如图2(a)现将城市空间划分为若干规则的六边形。在时间维度上，设置时间间隔为一小时，如图2(b)所示为交通流量随时间的变化情况。接着转换为如图3所示矩阵V，行和列为时间和空间维度。
图 2 六边形绘制的交通流量图
图 3 功能区域提取的两个主要步骤
②非负矩阵的分解如图3的第二个步骤，根据构造的矩阵V进行公式1非负矩阵分解成W（时间维度矩阵）和H（系数矩阵）。F为时间间隔步长，N为空间维度上六边形的个数，矩阵W可以分为K个，所以原始的矩阵可以表示为如公式2所示：
可视化设计：地图视图（图2a）、径向图、堆叠图形。径向图如图4为局部和全局图，一个径向图有7个环（一周7天），每环分为24份（一天的24个小时），颜色代表流量的大小。图a为一个六边形的局部信息，图b为全局信息，如果两个六边形具备相似的局部模式，可在全局中进行比较。堆叠图形如图5用来传递时空信息，可视化六边形在不同时期的特征，蓝色表示上车流量、绿色是下车流量，增加的曲线与条柱间的距离表示城市功能区的匹配程度。系统的主界面如图6所示。
图 4 径向图
图 5 Stacked Glyph
图 6 系统界面图